自动驾驶汽车是未来汽车发展的主要方向,车辆检测是保障其安全稳定行驶的关键技术。多传感器融合技术是实现稳定、快速、准确的车辆检测的重要方式,然而现有的检测方法存在鲁棒性差、检测速度与检测精度不能兼容的问题。在此背景下,本文以国家重点研发计划(SQ2018YFB16003105)为依托,研究激光雷达和摄像头的决策级融合策略,提出了一种多适应性、强鲁棒性以及高实时性的车辆检测方法,该方法由数据匹配、实时检测以及决策级融合三部分组成。主要研究内容如下:(1)实现了激光雷达和摄像头数据层面上信息的深度融合。在分析两种传感器的工作原理和几何关系的基础上,首先建立了三维激光点云与二维图像的对齐融合模型,得到了稀疏深度图。然后通过深度补全算法,将二维稀疏深度图补全为二维密集深度图,解决了激光点云数据的稀疏性问题,使激光点云和彩色图像具有相同的分辨率。并针对现有深度补全方法适应性单一问题,提出了能根据昼夜环境改变补全策略的多适应深度补全方法,为后续的研究提供了更高精度的数据。(2)研究了基于YOLOv3的实时车辆检测算法。在分析卷积神经网络的典型结构的基础上,研究了YOLO系列实时检测算法,并结合自动驾驶汽车的高实时性要求,选择了兼顾检测速度与检测精度的YOLOv3算法,并将其应用于彩色图像和密集深度图的实时车辆检测。(3)提出了一种决策级融合方法,实现了激光雷达和摄像头的鲁棒融合。首先设计了边界框融合方法,将彩色图像和密集深度图各自检测到的车辆边界框进行融合,得到车辆的候选区域。然后通过基于证据距离改进的D-S证据理论,进一步实现置信度融合,对候选区域的准确性进行分析,得到了最终的检测结果。最后通过融合结果提供的车辆位置信息和激光雷达提供的深度信息,获得了车辆之间的距离。通过KITTI和Waymo数据集,分别在日间和夜间驾驶环境下对提出的方法进行实验验证。实验结果表明,本文提出的融合检测方法能准确获取目标车辆的位置和距离信息,并拥有很高的实时性和鲁棒性。此外验证了本文提出的深度补全方法精度高、实用性强。